Learning to Fuse Temporal Proximity Networks: A Case Study in Chimpanzee Social Interactions
学习融合动态接近网络：黑猩猩社会互动案例AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕多种接近关系的网络融合、动态团簇检测及持续群组识别展开，方法内容直接对应网络分析。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
学习融合动态接近网络：黑猩猩社会互动案例
- 研究问题
- 如何融合不同类型的个体接近关系，形成动态加权网络，并识别在较长时间内保持关联的黑猩猩个体群组？
- 方法与思路
- 作者以奖励相邻时点结构一致性的损失函数优化接近类型权重，用合成数据验证，再通过统计检验识别持续关联群组。
- 材料陈述的贡献
- 摘要称，该方法在黑猩猩互动数据中检测出团簇，其解释与既有研究及专家质性观察相符，并提供持续关联的检验途径。
- 阅读关注点
- 应核对融合权重与损失函数、时间结构一致性的含义，以及群组检验的零假设、时间依赖处理和外部验证方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未说明检验校准及验证指标，持续关联或专家认可不能确立因果驱动作用。
原文摘要
How can we identify groups of primate individuals which could be conjectured to drive social structure? To address this question, one of us has collected a time series of data for social interactions between chimpanzees. Here we use a network representation, leading to the task of combining these data into a time series of a single weighted network per time stamp, where different proximities should be given different weights reflecting their relative importance. We optimize these proximity-type weights in a principled way, using an innovative loss function which rewards structural consistency for consecutive time steps. The approach is empirically validated by carefully designed synthetic data. Using statistical tests, we provide a way of identifying groups of individuals that stay related for a significant length of time. Applying the approach to the chimpanzee data set, we detect cliques in the animal social network time series, which can be validated by real-world intuition from prior research and qualitative observations by chimpanzee experts.